🧪 Historia powstania zbioru danych QM9¶

Zbiór danych QM9 jest jednym z najważniejszych i najczęściej wykorzystywanych benchmarków w chemoinformatyce, uczeniu maszynowym dla chemii oraz projektowaniu cząsteczek. Jego stworzenie było odpowiedzią na potrzebę posiadania dużego, jednorodnego i wysokiej jakości zbioru danych kwantowo-chemicznych, który umożliwiłby rozwój algorytmów ML w obszarze właściwości molekuł.

---

📜 Geneza projektu¶

Zbiór QM9 został opracowany w latach 2014–2017 przez zespół naukowców z University of Basel, Cornell University i University of Vienna: Ramakrishnan, Dral, Rupp i von Lilienfeld. Został po raz pierwszy opisany w publikacji:

“Quantum chemistry structures and properties of 134 kilo molecules” (Scientific Data, 2014)

Celem autorów było stworzenie systematycznego i kompletnego zbioru obejmującego tysiące małych cząsteczek organicznych oraz ich właściwości obliczonych metodami chemii kwantowej.

---

🧩 Jak powstał zbiór?¶

Proces tworzenia QM9 obejmował kilka etapów:

1. Wybór cząsteczek (enumeracja strukturalna)¶

Autorzy wybrali wszystkie stabilne cząsteczki organiczne o wzorze sumarycznym zawierającym tylko:

• C,
• H,
• O,
• N,
• F, oraz maksymalnie 9 atomów ciężkich. Dlatego nazwa datasetu to QM9.

📌 W sumie zebrano 133 885 struktur.

---

2. Optymalizacja geometrii¶

Dla każdej cząsteczki wykonano obliczenia metodą DFT (Density Functional Theory) z funkcjonałem:

• B3LYP
• bazą 6-31G(2df,p)

Była to ogromna kampania obliczeniowa — w sumie miliony iteracji obliczeń kwantowych.

---

3. Wyznaczenie właściwości fizykochemicznych¶

Dla każdej cząsteczki obliczono ≥ 17 właściwości, m.in.:

• energie atomizacji,
• moment dipolowy,
• HOMO, LUMO, gap,
• częstotliwości drgań,
• polaryzowalność,
• masę,
• geometrię 3D,
• temperaturę wrzenia (przybliżoną metodami kwantowymi).

📊 Dzięki temu zbiór jest idealny do regresji, predykcji właściwości i zadań ML w chemii.

---

4. Standaryzacja i walidacja¶

Każdą strukturę zweryfikowano:

• poprawność SMILES,
• poprawność minimalnej energii,
• brak fragmentacji,
• poprawna topologia.

Wczesne wersje datasetu zawierały ~300 błędnych geometrii — zostały później usunięte.

---

🚀 Znaczenie QM9 dla współczesnego ML w chemii¶

Zbiór QM9 stał się złotym standardem w testowaniu modeli:

• GNN (Graph Neural Networks),
• Message Passing Neural Networks,
• SchNet, PhysNet, DimeNet,
• Transformerów molekularnych,
• modeli generatywnych (VAE, diffusion models).

Ponieważ dane są jednorodne, czyste i precyzyjne, QM9 pozwala porównywać algorytmy w sposób uczciwy i powtarzalny.

---

⭐ Dlaczego QM9 jest tak ważny?¶

• zawiera największy do tamtej pory publiczny zbiór obliczeń DFT,
• jest kompletny w zakresie małych cząsteczek organicznych,
• ma wysoką jakość,
• idealnie nadaje się do projektów ML w chemii ❤️‍🔥.

Dziś stanowi fundament ogromnej części badań nad AI for Molecules.

---

📂 Opis zbioru danych QM9¶

W tej sekcji przedstawiono szczegółowy opis struktur danych dostępnych w roboczej wersji zbioru QM9, zawierającej 1000 losowo wybranych cząsteczek. Dane pochodzą z pełnego zbioru 133 885 struktur obliczonych metodami DFT.

---

🧬 Struktura tabeli danych¶

Po wczytaniu pliku dataset zawiera następujące typowe kolumny (nazwy mogą różnić się zależnie od wersji):

Kolumna	Opis	Typ
smiles	SMILES cząsteczki (struktura 2D zakodowana tekstowo)	string
formula	Wzór sumaryczny cząsteczki	string
rotational_constants_A/B/C	Stałe rotacyjne (GHz) wyliczone z geometrii 3D	float
dipole_moment	Moment dipolowy (Debye)	float
isotropic_polarizability	Izotropowa polaryzowalność (Bohr³)	float
homo	Energia HOMO (eV)	float
lumo	Energia LUMO (eV)	float
gap	Przerwa energetyczna HOMO–LUMO (eV)	float
electronic_spatial_extent	Objętość elektroniczna ⟨r²⟩ (Bohr²)	float
zero_point_energy	Energia zerowa (ZPE, Hartree)	float
internal_energy_0K	Energia wewnętrzna w 0 K (Hartree)	float
internal_energy_298K	Energia w 298.15 K (Hartree)	float
enthalpy_298K	Entalpia w 298.15 K (Hartree)	float
free_energy_298K	Energia swobodna (Gibbs) w 298.15 K (Hartree)	float
heat_capacity	Ciepło właściwe Cv (cal/mol·K)	float
mulliken_charges (opcjonalne)	Rozmieszczenie ładunku Mullikena	float/list
coordinates_X/Y/Z (opcjonalne)	Współrzędne 3D atomów (Å)	list
atom_types	Lista atomów (C/H/O/N/F)	list
num_atoms	Liczba atomów	int
num_heavy_atoms	Liczba atomów ciężkich (C/O/N/F)	int
molecule_id	Unikatowy identyfikator cząsteczki	int

⚠️ Uwaga: Dokładne kolumny w Twoim Excelu zależą od wersji konwertowanego pliku QM9, ale powyższa lista obejmuje cały standardowy zakres używany w chemoinformatyce.

---

🧠 Kategorie cech w zbiorze¶

Aby lepiej zrozumieć strukturę danych, można podzielić kolumny QM9 na 4 główne grupy:

1️⃣ Cechy strukturalne¶

• SMILES
• Wzór sumaryczny
• Liczba atomów (ogółem i ciężkich)
• Współrzędne 3D
• Typy atomów

👉 używane głównie do modelowania GNN i obliczeń geometrycznych.

---

2️⃣ Cechy energetyczne (DFT)¶

• ZPE
• Energie wewnętrzne
• Enthalpia
• Energia swobodna
• HOMO / LUMO / GAP

🔥 kluczowe dla modeli predykcyjnych właściwości kwantowych.

---

3️⃣ Cechy spektralne i rotacyjne¶

• Stałe rotacyjne A/B/C
• Ciepło właściwe
• Przestrzenne rozciągnięcie ładunku (⟨r²⟩)

---

4️⃣ Cechy elektrostatyczne¶

• Moment dipolowy
• Polaryzowalność
• Potencjały elektronowe i ładunki (jeśli dostępne)

---

🎯 Dlaczego te dane są wartościowe?¶

• Pochodzą z precyzyjnych obliczeń kwantowych, nie eksperymentów.
• Charakteryzują się wysoką jednorodnością metodologiczną.
• Idealnie nadają się do trenowania modeli ML predykcji właściwości molekularnych.
• Zawierają różnorodność strukturalną przy ograniczonej wielkości cząsteczek — kluczowe do nauki modeli GNN.

🎯 Cel projektu: Eksploracyjna analiza danych (EDA) zbioru QM9¶

Celem tego projektu jest przeprowadzenie kompleksowej eksploracyjnej analizy danych (EDA) na zbiorze QM9, zawierającym struktury i właściwości kwantowo-chemiczne małych cząsteczek organicznych.

---

🔹 Główne założenia projektu¶

1. Zrozumienie struktury danych

   • Identyfikacja kolumn, typów danych, braków danych i wyjątków.
   • Analiza podziału danych na cechy strukturalne, energetyczne, elektrostatyczne i rotacyjne.

2. Analiza statystyczna właściwości molekuł

   • Rozkłady podstawowych parametrów: energie, moment dipolowy, HOMO/LUMO, GAP.
   • Wykrywanie wartości odstających i potencjalnych błędów w danych.

3. Wizualizacja danych chemicznych

   • Graficzne przedstawienie relacji między właściwościami.
   • Wizualizacja cząsteczek na podstawie SMILES i geometrii 3D (jeśli środowisko pozwoli).

4. Tworzenie podzbiorów roboczych

   • Wydzielenie mniejszych próbek danych (np. 1000 wierszy) w celu szybkiej pracy i testowania modeli.

5. Przygotowanie danych do modeli ML

   • Identyfikacja cech predykcyjnych i docelowych.
   • Wstępne przekształcenia danych i normalizacja dla przyszłych zadań predykcyjnych.

---

🌟 Wartość projektu¶

• Projekt pozwala pokazać umiejętności w EDA i chemoinformatyce, w tym analizę dużych zbiorów danych chemicznych.
• Prezentuje profesjonalny workflow od wczytania danych, przez ich eksplorację, aż po wizualizację i przygotowanie do ML.
• Stanowi doskonały element portfolio dla kandydatów na stanowiska Data Scientist / Chemoinformatyk / Machine Learning Engineer w chemii.

✔️ Utworzono plik roboczy z 1000 wierszy:
C:\Users\slast\PYTHON\0_projekty do portfolio\02_EDA_chem\qm9_sample_1000.xlsx

duzo recordów tworzenie roboczego df z 1000 wierszami¶

                                                   X        y1        y2  \
0  <rdkit.Chem.rdchem.Mol object at 0x000001BF0ED... -1.291747  1.802935   
1  <rdkit.Chem.rdchem.Mol object at 0x000001BEFC9... -0.644026 -0.218808   
2  <rdkit.Chem.rdchem.Mol object at 0x000001BF0E0... -0.459969  0.297628   
3  <rdkit.Chem.rdchem.Mol object at 0x000001BF2AB... -0.775036  1.089651   
4  <rdkit.Chem.rdchem.Mol object at 0x000001BF0E0...  0.346542 -0.820930   

         y3        y4        y5        y6        y7        y8        y9  ...  \
0 -0.427511  0.711080  0.924869  1.096639  1.652419  1.864530  1.112639  ...   
1  2.287883  0.424803 -0.721806 -0.398991 -0.414869  0.044067 -0.463779  ...   
2  0.167480  0.130518  0.046509 -0.251763  0.650823  0.217649 -0.113869  ...   
3 -0.104059  1.107464  1.156964  0.315530  1.703451  1.364106  0.237038  ...   
4 -0.902704  0.618991  1.072929  0.839014 -0.128690  0.650888 -1.836564  ...   

   w5  w6  w7  w8  w9  w10  w11  w12  \
0   1   1   1   1   1    1    1    1   
1   1   1   1   1   1    1    1    1   
2   1   1   1   1   1    1    1    1   
3   1   1   1   1   1    1    1    1   
4   1   1   1   1   1    1    1    1   

                                                 ids  split  
0  [H]C([H])([H])C([H])([H])[N@@H+]1C([H])([H])[C...  train  
1  [H]O[C@@]12C([H])([H])O[C@]1([H])[C@]2([H])[C@...  train  
2  [H]C1([H])C([H])([H])[C@]2([H])[C@@]1([H])[C@]...  train  
3    [H]OC([H])([H])[C@]1(C([H])([H])C#N)OC1([H])[H]   test  
4  [H]N1[C@]2([H])C(=O)[C@@]1([H])C([H])([H])OC2(...  train  

[5 rows x 27 columns]

zmiana nazw kolumn¶

dodaaćlink do data setu + usuniecie kolumn z wagami

======================================================================
USUWANIE KOLUMN Z WAGAMI
======================================================================

🗑️  Usuwam 12 kolumn z wagami:
  • weight_dipole
  • weight_polarizability
  • weight_HOMO
  • weight_LUMO
  • weight_gap
  • weight_R2
  • weight_zpve
  • weight_U0
  • weight_U
  • weight_H
  • weight_G
  • weight_Cv

✅ Kolumny usunięte! Pozostało 15 kolumn

======================================================================
ZMIENIONO NAZWY KOLUMN
======================================================================

📋 Nowe nazwy kolumn:
   1. SMILES_raw
   2. dipole_moment
   3. polarizability
   4. HOMO
   5. LUMO
   6. gap
   7. electronic_spatial_extent
   8. zpve
   9. U0
  10. U
  11. H
  12. G
  13. Cv
  14. SMILES
  15. dataset_split

🔍 Pierwsze 3 wiersze po zmianie:
                                          SMILES_raw  dipole_moment  \
0  <rdkit.Chem.rdchem.Mol object at 0x000001BF0ED...      -1.291747   
1  <rdkit.Chem.rdchem.Mol object at 0x000001BEFC9...      -0.644026   
2  <rdkit.Chem.rdchem.Mol object at 0x000001BF0E0...      -0.459969   

   polarizability      HOMO      LUMO       gap  electronic_spatial_extent  \
0        1.802935 -0.427511  0.711080  0.924869                   1.096639   
1       -0.218808  2.287883  0.424803 -0.721806                  -0.398991   
2        0.297628  0.167480  0.130518  0.046509                  -0.251763   

       zpve        U0         U         H         G        Cv  \
0  1.652419  1.864530  1.112639  1.112698  1.112698  1.112566   
1 -0.414869  0.044067 -0.463779 -0.463790 -0.463790 -0.463751   
2  0.650823  0.217649 -0.113869 -0.113867 -0.113867 -0.113876   

                                              SMILES dataset_split  
0  [H]C([H])([H])C([H])([H])[N@@H+]1C([H])([H])[C...         train  
1  [H]O[C@@]12C([H])([H])O[C@]1([H])[C@]2([H])[C@...         train  
2  [H]C1([H])C([H])([H])[C@]2([H])[C@@]1([H])[C@]...         train  

📊 Kształt DataFrame:
  Wiersze: 1,000
  Kolumny: 15

✅ Nazwy kolumn zostały zmienione!
======================================================================

📖 OPIS WŁAŚCIWOŚCI KWANTOWO-CHEMICZNYCH:
----------------------------------------------------------------------
  • dipole_moment                  - Moment dipolowy [Debye] - miara polarności cząsteczki
  • polarizability                 - Polaryzowalność [Bohr³] - odpowiedź na pole elektryczne
  • HOMO                           - Energia HOMO [eV] - najwyższy zajęty orbital molekularny
  • LUMO                           - Energia LUMO [eV] - najniższy niezajęty orbital molekularny
  • gap                            - HOMO-LUMO gap [eV] - różnica energii, kluczowa dla reaktywności
  • electronic_spatial_extent      - Elektroniczny zasięg przestrzenny [Bohr²]
  • zpve                           - Energia drgań punktu zerowego [eV]
  • U0                             - Energia wewnętrzna w 0K [eV]
  • U                              - Energia wewnętrzna w 298.15K [eV]
  • H                              - Entalpia w 298.15K [eV]
  • G                              - Energia swobodna Gibbsa w 298.15K [eV]
  • Cv                             - Pojemność cieplna w 298.15K [cal/mol·K]
======================================================================

Out[5]:

	SMILES_raw	dipole_moment	polarizability	HOMO	LUMO	gap	electronic_spatial_extent	zpve	U0	U	H	G	Cv	SMILES	dataset_split
0	<rdkit.Chem.rdchem.Mol object at 0x000001BF0ED...	-1.291747	1.802935	-0.427511	0.711080	0.924869	1.096639	1.652419	1.864530	1.112639	1.112698	1.112698	1.112566	[H]C([H])([H])C([H])([H])[N@@H+]1C([H])([H])[C...	train
1	<rdkit.Chem.rdchem.Mol object at 0x000001BEFC9...	-0.644026	-0.218808	2.287883	0.424803	-0.721806	-0.398991	-0.414869	0.044067	-0.463779	-0.463790	-0.463790	-0.463751	[H]O[C@@]12C([H])([H])O[C@]1([H])[C@]2([H])[C@...	train
2	<rdkit.Chem.rdchem.Mol object at 0x000001BF0E0...	-0.459969	0.297628	0.167480	0.130518	0.046509	-0.251763	0.650823	0.217649	-0.113869	-0.113867	-0.113867	-0.113876	[H]C1([H])C([H])([H])[C@]2([H])[C@@]1([H])[C@]...	train
3	<rdkit.Chem.rdchem.Mol object at 0x000001BF2AB...	-0.775036	1.089651	-0.104059	1.107464	1.156964	0.315530	1.703451	1.364106	0.237038	0.237068	0.237068	0.237016	[H]OC([H])([H])[C@]1(C([H])([H])C#N)OC1([H])[H]	test
4	<rdkit.Chem.rdchem.Mol object at 0x000001BF0E0...	0.346542	-0.820930	-0.902704	0.618991	1.072929	0.839014	-0.128690	0.650888	-1.836564	-1.836554	-1.836554	-1.836579	[H]N1[C@]2([H])C(=O)[C@@]1([H])C([H])([H])OC2(...	train
5	<rdkit.Chem.rdchem.Mol object at 0x000001BF2A8...	0.409150	-2.145600	-0.758948	-0.494088	-0.113557	-1.271677	-1.391723	-1.357742	-0.503130	-0.503165	-0.503165	-0.503080	[H][N-]C1OC([H])([H])[C@]12[N@@H+]1C([H])([H])...	valid
6	<rdkit.Chem.rdchem.Mol object at 0x000001BF2AB...	-0.469601	0.294155	0.754484	0.791158	0.412659	-0.396482	0.637064	0.321416	-0.112035	-0.112037	-0.112037	-0.112018	[H]N([H])C1[NH2+][C@]2([H])C([H])([H])[C@]2(C(...	test
7	<rdkit.Chem.rdchem.Mol object at 0x000001BEFC5...	0.327348	-0.128489	-0.611199	-1.142716	-0.835853	-0.335116	-1.578459	-1.002448	-0.027435	-0.027466	-0.027466	-0.027395	[H]C1([H])[N@@H+]2[C@@]3([H])[C@]2([H])[C@@]2(...	train
8	<rdkit.Chem.rdchem.Mol object at 0x000001BF2A2...	1.261589	-2.541611	-1.797187	-0.974553	-0.073540	-1.369651	-1.949059	-2.116866	0.891255	0.891221	0.891221	0.891306	[H]C([H])([H])O[C@@]1(C([H])([H])[H])C([H])([H...	train
9	<rdkit.Chem.rdchem.Mol object at 0x000001BF0E1...	1.653432	-0.118068	0.462979	-1.759313	-1.990326	-0.729647	-1.155817	-1.150208	-0.435730	-0.435769	-0.435769	-0.435686	[H]C(=O)c1c([H])c(N([H])[H])nn1[H]	train

zmana 1 kolumny na licaby¶

======================================================================
USUWANIE ZBĘDNEJ KOLUMNY
======================================================================

🗑️  Usuwam kolumnę: SMILES_raw (duplikat SMILES)
✅ Kolumna usunięta!

📊 Aktualne kolumny (14):
   1. dipole_moment
   2. polarizability
   3. HOMO
   4. LUMO
   5. gap
   6. electronic_spatial_extent
   7. zpve
   8. U0
   9. U
  10. H
  11. G
  12. Cv
  13. SMILES
  14. dataset_split

📈 Kształt DataFrame: (1000, 14)
======================================================================

Out[7]:

	dipole_moment	polarizability	HOMO	LUMO	gap	electronic_spatial_extent	zpve	U0	U	H	G	Cv	SMILES	dataset_split
0	-1.291747	1.802935	-0.427511	0.711080	0.924869	1.096639	1.652419	1.864530	1.112639	1.112698	1.112698	1.112566	[H]C([H])([H])C([H])([H])[N@@H+]1C([H])([H])[C...	train
1	-0.644026	-0.218808	2.287883	0.424803	-0.721806	-0.398991	-0.414869	0.044067	-0.463779	-0.463790	-0.463790	-0.463751	[H]O[C@@]12C([H])([H])O[C@]1([H])[C@]2([H])[C@...	train
2	-0.459969	0.297628	0.167480	0.130518	0.046509	-0.251763	0.650823	0.217649	-0.113869	-0.113867	-0.113867	-0.113876	[H]C1([H])C([H])([H])[C@]2([H])[C@@]1([H])[C@]...	train
3	-0.775036	1.089651	-0.104059	1.107464	1.156964	0.315530	1.703451	1.364106	0.237038	0.237068	0.237068	0.237016	[H]OC([H])([H])[C@]1(C([H])([H])C#N)OC1([H])[H]	test
4	0.346542	-0.820930	-0.902704	0.618991	1.072929	0.839014	-0.128690	0.650888	-1.836564	-1.836554	-1.836554	-1.836579	[H]N1[C@]2([H])C(=O)[C@@]1([H])C([H])([H])OC2(...	train
5	0.409150	-2.145600	-0.758948	-0.494088	-0.113557	-1.271677	-1.391723	-1.357742	-0.503130	-0.503165	-0.503165	-0.503080	[H][N-]C1OC([H])([H])[C@]12[N@@H+]1C([H])([H])...	valid
6	-0.469601	0.294155	0.754484	0.791158	0.412659	-0.396482	0.637064	0.321416	-0.112035	-0.112037	-0.112037	-0.112018	[H]N([H])C1[NH2+][C@]2([H])C([H])([H])[C@]2(C(...	test
7	0.327348	-0.128489	-0.611199	-1.142716	-0.835853	-0.335116	-1.578459	-1.002448	-0.027435	-0.027466	-0.027466	-0.027395	[H]C1([H])[N@@H+]2[C@@]3([H])[C@]2([H])[C@@]2(...	train
8	1.261589	-2.541611	-1.797187	-0.974553	-0.073540	-1.369651	-1.949059	-2.116866	0.891255	0.891221	0.891221	0.891306	[H]C([H])([H])O[C@@]1(C([H])([H])[H])C([H])([H...	train
9	1.653432	-0.118068	0.462979	-1.759313	-1.990326	-0.729647	-1.155817	-1.150208	-0.435730	-0.435769	-0.435769	-0.435686	[H]C(=O)c1c([H])c(N([H])[H])nn1[H]	train

Wizualizacja¶

======================================================================
WIZUALIZACJA PRZYKŁADOWYCH CZĄSTECZEK
======================================================================

🔬 Wybieram 12 losowych cząsteczek do wizualizacji...

  ✓ Cząsteczka  1: [H]Oc1c([H])c(N([H])[H])n([H])c1C([H])([...
  ✓ Cząsteczka  2: [H]O[C@]1([H])C([H])([H])[N@@H+]2C([H])(...
  ✓ Cząsteczka  3: [H]C(=O)[C@]1(C([H])([H])[H])C([H])([H])...
  ✓ Cząsteczka  4: [H]OC([H])([H])[C@](O[H])(C([H])([H])[H]...
  ✓ Cząsteczka  5: [H]OC([H])([H])[C@]12[C@@]3([H])[C@]4([H...
  ✓ Cząsteczka  6: [H][N-]C1O[C@@]2([H])[C@@]([H])(O1)[C@@]...
  ✓ Cząsteczka  7: [H]C([H])([H])OC(=O)[C@@]([H])(OC([H])([...
  ✓ Cząsteczka  8: [H]C1([H])O[C@@]12[C@@]1([H])[N@H+]3[C@]...
  ✓ Cząsteczka  9: [H]OC([H])([H])C([H])([H])N(C([H])=O)C([...
  ✓ Cząsteczka 10: [H]C1=C([H])[C@@]([H])(C([H])([H])[H])OC...
  ✓ Cząsteczka 11: [H]C#C[C@@]1([C@]([H])(O[H])C([H])([H])O...
  ✓ Cząsteczka 12: [H]Oc1nc(N([H])C([H])([H])[H])oc1C([H])(...

✅ Przygotowano 12 struktur do wizualizacji

🎨 Generowanie wizualizacji...

C:\Users\slast\AppData\Local\Temp\ipykernel_17000\3317227650.py:77: UserWarning: This figure includes Axes that are not compatible with tight_layout, so results might be incorrect.
  plt.tight_layout()

✅ Zapisano: qm9_example_molecules.png

======================================================================
CZĄSTECZKI O EKSTREMALNYCH WŁAŚCIWOŚCIACH
======================================================================

🔍 Ekstremalne cząsteczki:
  1. Najwyższy gap: 4.752 eV
     SMILES: [H]C#C[C@@]1(C([H])([H])C([H])=O)N([H])[C@]1([H])C([H])([H])[H]
  2. Najniższy gap: -2.537 eV
     SMILES: [H]C1=C([H])c2c(oc([H])c2[H])C1=O
  3. Najwyższy dipole: 4.349 D
     SMILES: [H]C1=C([H])c2c(oc([H])c2[H])C1=O
  4. Najniższy dipole: -1.694 D
     SMILES: [H]C#C[C@@]1(C([H])([H])C([H])=O)N([H])[C@]1([H])C([H])([H])[H]

✅ Zapisano: qm9_extreme_molecules.png

======================================================================
CZĄSTECZKI WEDŁUG ROZMIARU
======================================================================

📏 Cząsteczki według rozmiaru:
  • Najmniejsza (4 atomów): [H]N([H])C(=O)C([H])([H])[H]
  • Średnia (9 atomów): [H]O[C@@]12C([H])([H])O[C@]1([H])[C@]2([H])[C@]([H])(O[H])C([H])([H])[H]
  • Największa (11 atomów): [H]/N=C(/C(=O)N(/C([H])=N/[H])C([H])([H])[H])N([H])[H]

✅ Zapisano: qm9_size_comparison.png

======================================================================
✅ WIZUALIZACJE ZAKOŃCZONE!
   Wygenerowano 3 pliki PNG z strukturami molekularnymi
======================================================================

brakujace wartosaci i duplikaty¶

✔️ Brak brakujących wartości w zbiorze danych.
✔️ Brak duplikatów w zbiorze danych.

teraz czas na sprawdzenie czy mamy jkaieś odstające wartosci i wyrysoanie box plotów¶

📊 Sprawdzenie wartości odstających w kolumnach numerycznych:

dipole_moment: 10 wartości odstających
polarizability: 33 wartości odstających
HOMO: 68 wartości odstających
LUMO: 0 wartości odstających
gap: 2 wartości odstających
electronic_spatial_extent: 70 wartości odstających
zpve: 3 wartości odstających
U0: 17 wartości odstających
U: 25 wartości odstających
H: 25 wartości odstających
G: 25 wartości odstających
Cv: 25 wartości odstających
num_atoms: 195 wartości odstających

wzory kilku czasteczek o wartosciach odstajacych¶

Index(['dipole_moment', 'polarizability', 'HOMO', 'LUMO', 'gap',
       'electronic_spatial_extent', 'zpve', 'U0', 'U', 'H', 'G', 'Cv',
       'SMILES', 'dataset_split', 'num_atoms'],
      dtype='object')

Out[12]:

kolejny punkt¶

teraz czas na korelacja¶

======================================================================
ANALIZA KORELACJI - WŁAŚCIWOŚCI QM9
======================================================================

📊 Analizowane właściwości (12):
   1. dipole_moment
   2. polarizability
   3. HOMO
   4. LUMO
   5. gap
   6. electronic_spatial_extent
   7. zpve
   8. U0
   9. U
  10. H
  11. G
  12. Cv

======================================================================
1. PEŁNA MACIERZ KORELACJI PEARSONA
======================================================================

✓ Macierz korelacji obliczona: (12, 12)

✅ Zapisano: qm9_correlation_full.png

======================================================================
2. TOP 15 NAJSILNIEJSZYCH KORELACJI
======================================================================

🔝 TOP 15 najsilniejszych korelacji (wartość bezwzględna):
----------------------------------------------------------------------
  H                         ↔ G                          r = +1.0000
  U                         ↔ H                          r = +1.0000
  U                         ↔ G                          r = +1.0000
  U                         ↔ Cv                         r = +1.0000
  H                         ↔ Cv                         r = +1.0000
  G                         ↔ Cv                         r = +1.0000
  LUMO                      ↔ gap                        r = +0.8670
  electronic_spatial_extent ↔ U0                         r = +0.8288
  polarizability            ↔ U0                         r = +0.7982
  zpve                      ↔ U0                         r = +0.7758
  polarizability            ↔ zpve                       r = +0.7655
  polarizability            ↔ electronic_spatial_extent  r = +0.7170
  LUMO                      ↔ zpve                       r = +0.6705
  gap                       ↔ zpve                       r = +0.5705
  electronic_spatial_extent ↔ zpve                       r = +0.5284

✅ Zapisano: qm9_top_correlations.png

======================================================================
3. ANALIZA HOMO-LUMO-GAP
======================================================================

📊 Korelacje z HOMO-LUMO gap:
----------------------------------------------------------------------
  LUMO                            r = +0.8670
  zpve                            r = +0.5705
  G                               r = +0.3873
  H                               r = +0.3873
  U                               r = +0.3873
  Cv                              r = +0.3873
  U0                              r = +0.2404
  polarizability                  r = +0.1883
  electronic_spatial_extent       r = +0.0438
  HOMO                            r = -0.2878
  dipole_moment                   r = -0.3407

✅ Zapisano: qm9_homo_lumo_gap.png

======================================================================
4. PAIRPLOT - KLUCZOWE WŁAŚCIWOŚCI
======================================================================

📈 Tworzenie pairplot dla 5 właściwości...
   Używam 1000 próbek dla szybszej wizualizacji
✅ Zapisano: qm9_pairplot.png

======================================================================
5. PORÓWNANIE KORELACJI PEARSONA vs SPEARMANA
======================================================================

📊 Największe różnice między Pearson a Spearman (nieliniowości):
----------------------------------------------------------------------
  polarizability       ↔ H                   
    Pearson: -0.1031  |  Spearman: +0.1497  |  Diff: 0.2528
  polarizability       ↔ G                   
    Pearson: -0.1031  |  Spearman: +0.1497  |  Diff: 0.2528
  polarizability       ↔ U                   
    Pearson: -0.1031  |  Spearman: +0.1496  |  Diff: 0.2527
  polarizability       ↔ Cv                  
    Pearson: -0.1031  |  Spearman: +0.1495  |  Diff: 0.2526
  U0                   ↔ H                   
    Pearson: -0.3127  |  Spearman: -0.1948  |  Diff: 0.1179
  U0                   ↔ G                   
    Pearson: -0.3127  |  Spearman: -0.1948  |  Diff: 0.1179
  U0                   ↔ U                   
    Pearson: -0.3127  |  Spearman: -0.1950  |  Diff: 0.1177
  U0                   ↔ Cv                  
    Pearson: -0.3128  |  Spearman: -0.1953  |  Diff: 0.1175
  polarizability       ↔ gap                 
    Pearson: +0.1883  |  Spearman: +0.2940  |  Diff: 0.1057
  HOMO                 ↔ U0                  
    Pearson: +0.1213  |  Spearman: +0.0184  |  Diff: 0.1028

======================================================================
6. PODSUMOWANIE ANALIZY KORELACJI
======================================================================

📊 STATYSTYKI KORELACJI:

• Liczba analizowanych właściwości: 12
• Liczba par korelacji: 66

• Najsilniejsza korelacja dodatnia:
  H ↔ G
  r = 1.0000

• Najsilniejsza korelacja ujemna:
  dipole_moment ↔ LUMO
  r = -0.3941

• Silne korelacje (|r| > 0.7): 12
• Średnie korelacje (0.3 < |r| < 0.7): 24
• Słabe korelacje (|r| < 0.3): 30

======================================================================
✅ ANALIZA KORELACJI ZAKOŃCZONA!
   Wygenerowano 4 pliki PNG z wizualizacjami
======================================================================

🔝 TOP 15 NAJSILNIEJSZYCH KORELACJI¶

Poniżej przedstawiono 15 par właściwości z najsilniejszymi korelacjami w datasecie QM9:

Korelacje perfekcyjne (r = 1.00)¶

Te właściwości są ze sobą matematycznie związane poprzez definicje termodynamiczne:

• H ↔ G → r = +1.0000 (Entalpia vs Energia Gibbsa)
• U ↔ H → r = +1.0000 (Energia wewnętrzna vs Entalpia)
• U ↔ G → r = +1.0000 (Energia wewnętrzna vs Energia Gibbsa)
• U ↔ Cv → r = +1.0000 (Energia wewnętrzna vs Pojemność cieplna)
• H ↔ Cv → r = +1.0000 (Entalpia vs Pojemność cieplna)
• G ↔ Cv → r = +1.0000 (Energia Gibbsa vs Pojemność cieplna)

⚠️ Uwaga: Te 6 par wykazują korelację 1.0, co sugeruje, że są ze sobą liniowo zależne. W modelowaniu ML należy rozważyć usunięcie redundantnych zmiennych, aby uniknąć multikolinearności.

Korelacje bardzo silne (r > 0.70)¶

• LUMO ↔ gap → r = +0.8670
  LUMO energy jest głównym składnikiem HOMO-LUMO gap

• electronic_spatial_extent ↔ U0 → r = +0.8288
  Większe cząsteczki mają wyższą energię wewnętrzną

• polarizability ↔ U0 → r = +0.7982
  Polaryzowalność rośnie z rozmiarem molekuły

• zpve ↔ U0 → r = +0.7758
  Energia drgań punktu zerowego koreluje z całkowitą energią

• polarizability ↔ zpve → r = +0.7655
  Obie właściwości zależą od rozmiaru molekuły

• polarizability ↔ electronic_spatial_extent → r = +0.7170
  Bezpośrednia zależność od objętości elektronowej

Korelacje silne (0.50 < r < 0.70)¶

• LUMO ↔ zpve → r = +0.6705
• gap ↔ zpve → r = +0.5705
• electronic_spatial_extent ↔ zpve → r = +0.5284

---

💡 Kluczowe wnioski:¶

1. Właściwości termodynamiczne (U, H, G, Cv) są ze sobą idealnie skorelowane - wystarczy jedna z nich w modelach predykcyjnych
2. LUMO i gap są silnie powiązane - gap częściowo zależy od LUMO
3. Rozmiar molekuły (mierzony przez polarizability i electronic_spatial_extent) silnie wpływa na właściwości energetyczne
4. Brak silnych korelacji ujemnych w top 15 - większość zależności jest dodatnia

Walidacja SMILES - ile błędnych struktur, dlaczego¶

======================================================================
WALIDACJA STRUKTUR SMILES - QM9 DATASET
======================================================================

📋 ETAP 1: PODSTAWOWA WALIDACJA
----------------------------------------------------------------------
Walidacja struktur SMILES...

✅ Poprawne SMILES: 1,000 (100.00%)
❌ Niepoprawne SMILES: 0 (0.00%)

✅ WSZYSTKIE SMILES SĄ POPRAWNE! Dataset QM9 ma 100% validację.

======================================================================
🧪 ANALIZA SKŁADU CHEMICZNEGO
======================================================================

Analizuję skład atomowy cząsteczek...

📊 Typy atomów występujące w datasecie (5):
  • C    występuje w  1,000 cząsteczkach (100.00%)
  • O    występuje w    843 cząsteczkach (84.30%)
  • N    występuje w    622 cząsteczkach (62.20%)
  • H    występuje w     16 cząsteczkach ( 1.60%)
  • F    występuje w     14 cząsteczkach ( 1.40%)

📈 Statystyki liczby atomów:
                 C            N            O            H            F
count  1000.000000  1000.000000  1000.000000  1000.000000  1000.000000
mean      6.251000     1.093000     1.392000     0.017000     0.020000
std       1.282046     1.138265     0.875844     0.136857     0.188774
min       2.000000     0.000000     0.000000     0.000000     0.000000
25%       5.000000     0.000000     1.000000     0.000000     0.000000
50%       6.000000     1.000000     1.000000     0.000000     0.000000
75%       7.000000     2.000000     2.000000     0.000000     0.000000
max       9.000000     6.000000     4.000000     2.000000     3.000000

======================================================================
📊 WIZUALIZACJA SKŁADU ATOMOWEGO
======================================================================
✅ Zapisano: qm9_atomic_composition.png

======================================================================
⚗️ OBLICZANIE DESKRYPTORÓW MOLEKULARNYCH
======================================================================
Obliczam deskryptory RDKit dla poprawnych struktur...

⚠️  BRAK POPRAWNYCH STRUKTUR DO ANALIZY!
   Wszystkie SMILES są niepoprawne lub nie można obliczyć deskryptorów.

⚠️  Brak danych do wizualizacji właściwości molekularnych

======================================================================
✅ WALIDACJA I ANALIZA SMILES ZAKOŃCZONA!
======================================================================

======================================================================
🔍 DEBUGGING - ANALIZA KOLUMNY SMILES
======================================================================

1️⃣ Kolumny w DataFrame:
['dipole_moment', 'polarizability', 'HOMO', 'LUMO', 'gap', 'electronic_spatial_extent', 'zpve', 'U0', 'U', 'H', 'G', 'Cv', 'SMILES', 'dataset_split', 'num_atoms', 'is_valid', 'error_type']

2️⃣ Czy 'SMILES' w kolumnach? True

3️⃣ Pierwsze 10 wartości w kolumnie SMILES:
   1. [H]C([H])([H])C([H])([H])[N@@H+]1C([H])([H])[C@]1(C([H])([H])[H])C([H])([H])C([H])([H])C([H])([H])[H]
   2. [H]O[C@@]12C([H])([H])O[C@]1([H])[C@]2([H])[C@]([H])(O[H])C([H])([H])[H]
   3. [H]C1([H])C([H])([H])[C@]2([H])[C@@]1([H])[C@]1([H])OC([H])([H])[C@@]12C([H])([H])[H]
   4. [H]OC([H])([H])[C@]1(C([H])([H])C#N)OC1([H])[H]
   5. [H]N1[C@]2([H])C(=O)[C@@]1([H])C([H])([H])OC2([H])[H]
   6. [H][N-]C1OC([H])([H])[C@]12[N@@H+]1C([H])([H])[C@]1([H])C2([H])[H]
   7. [H]N([H])C1[NH2+][C@]2([H])C([H])([H])[C@]2(C([H])([H])C([H])([H])[H])O1
   8. [H]C1([H])[N@@H+]2[C@@]3([H])[C@]2([H])[C@@]2([H])C([H])([H])[C@]1([H])[C@@]32[H]
   9. [H]C([H])([H])O[C@@]1(C([H])([H])[H])C([H])([H])[C@@]2([H])[C@@]([H])(C([H])([H])[H])[C@@]12[H]
  10. [H]C(=O)c1c([H])c(N([H])[H])nn1[H]

4️⃣ Typ danych kolumny SMILES: object

5️⃣ Statystyki długości SMILES:
  Min: 13
  Max: 101
  Średnia: 62.8

6️⃣ Puste/NaN wartości: 0

7️⃣ Test walidacji pojedynczego SMILES:
  SMILES: [H]C([H])([H])C([H])([H])[N@@H+]1C([H])([H])[C@]1(C([H])([H])[H])C([H])([H])C([H])([H])C([H])([H])[H]
  Typ: <class 'str'>
  ✅ RDKit sparsował poprawnie
  Liczba atomów: 9

======================================================================

SMILES są poprawne, ale mają jawne atomy wodoru [H] i sterochemię [C@], [C@@] - to są bardzo szczegółowe SMILES z QM9! Problem jest w poprzednim kodzie - prawdopodobnie kolumny is_valid i error_type już istnieją z poprzedniego uruchomienia i nadpisują nowe wyniki. Rozwiązanie: Usuńmy te kolumny przed walidacją:

======================================================================
WALIDACJA STRUKTUR SMILES - QM9 DATASET
======================================================================

📋 ETAP 1: PODSTAWOWA WALIDACJA
----------------------------------------------------------------------
Walidacja struktur SMILES...
Przykładowe SMILES do walidacji:
['[H]C([H])([H])C([H])([H])[N@@H+]1C([H])([H])[C@]1(C([H])([H])[H])C([H])([H])C([H])([H])C([H])([H])[H]', '[H]O[C@@]12C([H])([H])O[C@]1([H])[C@]2([H])[C@]([H])(O[H])C([H])([H])[H]', '[H]C1([H])C([H])([H])[C@]2([H])[C@@]1([H])[C@]1([H])OC([H])([H])[C@@]12C([H])([H])[H]', '[H]OC([H])([H])[C@]1(C([H])([H])C#N)OC1([H])[H]', '[H]N1[C@]2([H])C(=O)[C@@]1([H])C([H])([H])OC2([H])[H]']

✅ Poprawne SMILES: 1,000 (100.00%)
❌ Niepoprawne SMILES: 0 (0.00%)

✓ Przykłady POPRAWNYCH SMILES:
['[H]C([H])([H])C([H])([H])[N@@H+]1C([H])([H])[C@]1(C([H])([H])[H])C([H])([H])C([H])([H])C([H])([H])[H]', '[H]O[C@@]12C([H])([H])O[C@]1([H])[C@]2([H])[C@]([H])(O[H])C([H])([H])[H]', '[H]C1([H])C([H])([H])[C@]2([H])[C@@]1([H])[C@]1([H])OC([H])([H])[C@@]12C([H])([H])[H]']

✅ WSZYSTKIE SMILES SĄ POPRAWNE! Dataset QM9 ma 100% validację.

======================================================================
🧪 ANALIZA SKŁADU CHEMICZNEGO
======================================================================

Analizuję skład atomowy cząsteczek...

📊 Typy atomów występujące w datasecie (5):
  • C    występuje w  1,000 cząsteczkach (100.00%)
  • O    występuje w    843 cząsteczkach (84.30%)
  • N    występuje w    622 cząsteczkach (62.20%)
  • H    występuje w     16 cząsteczkach ( 1.60%)
  • F    występuje w     14 cząsteczkach ( 1.40%)

📈 Statystyki liczby atomów:
                 C            N            O            H            F
count  1000.000000  1000.000000  1000.000000  1000.000000  1000.000000
mean      6.251000     1.093000     1.392000     0.017000     0.020000
std       1.282046     1.138265     0.875844     0.136857     0.188774
min       2.000000     0.000000     0.000000     0.000000     0.000000
25%       5.000000     0.000000     1.000000     0.000000     0.000000
50%       6.000000     1.000000     1.000000     0.000000     0.000000
75%       7.000000     2.000000     2.000000     0.000000     0.000000
max       9.000000     6.000000     4.000000     2.000000     3.000000

======================================================================
📊 WIZUALIZACJA SKŁADU ATOMOWEGO
======================================================================
✅ Zapisano: qm9_atomic_composition.png

======================================================================
⚗️ OBLICZANIE DESKRYPTORÓW MOLEKULARNYCH
======================================================================
Obliczam deskryptory RDKit dla poprawnych struktur...

⚠️  BRAK POPRAWNYCH STRUKTUR DO ANALIZY!
   Wszystkie SMILES są niepoprawne lub nie można obliczyć deskryptorów.

⚠️  Brak danych do wizualizacji właściwości molekularnych

======================================================================
✅ WALIDACJA I ANALIZA SMILES ZAKOŃCZONA!
======================================================================

======================================================================
WALIDACJA STRUKTUR SMILES - QM9 DATASET
======================================================================

📋 ETAP 1: PODSTAWOWA WALIDACJA
----------------------------------------------------------------------
Walidacja struktur SMILES...

✅ Poprawne SMILES: 1,000 (100.00%)
❌ Niepoprawne SMILES: 0 (0.00%)

✓ Kontynuuję analizę 1,000 poprawnych struktur...

======================================================================
🧪 ANALIZA SKŁADU CHEMICZNEGO
======================================================================

Analizuję skład atomowy cząsteczek...

📊 Typy atomów występujące w datasecie (5):
  • C    występuje w  1,000 cząsteczkach (100.00%)
  • O    występuje w    843 cząsteczkach (84.30%)
  • N    występuje w    622 cząsteczkach (62.20%)
  • H    występuje w     16 cząsteczkach ( 1.60%)
  • F    występuje w     14 cząsteczkach ( 1.40%)

📈 Statystyki liczby atomów:
                 C            N            O            H            F
count  1000.000000  1000.000000  1000.000000  1000.000000  1000.000000
mean      6.251000     1.093000     1.392000     0.017000     0.020000
std       1.282046     1.138265     0.875844     0.136857     0.188774
min       2.000000     0.000000     0.000000     0.000000     0.000000
25%       5.000000     0.000000     1.000000     0.000000     0.000000
50%       6.000000     1.000000     1.000000     0.000000     0.000000
75%       7.000000     2.000000     2.000000     0.000000     0.000000
max       9.000000     6.000000     4.000000     2.000000     3.000000

======================================================================
📊 WIZUALIZACJA SKŁADU ATOMOWEGO
======================================================================
✅ Zapisano: qm9_atomic_composition.png

======================================================================
⚗️ OBLICZANIE DESKRYPTORÓW MOLEKULARNYCH
======================================================================
Obliczam deskryptory RDKit dla poprawnych struktur...
✅ Obliczono 0 deskryptorów dla 1000 struktur

📊 Statystyki deskryptorów molekularnych:

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
Cell In[20], line 213
    210 print(f"✅ Obliczono {len(df_descriptors.columns)} deskryptorów dla {len(df_valid)} struktur")
    212 print("\n📊 Statystyki deskryptorów molekularnych:")
--> 213 print(df_descriptors.describe())
    215 # ============================================================
    216 # 6. WIZUALIZACJA WŁAŚCIWOŚCI MOLEKULARNYCH
    217 # ============================================================
    219 print("\n" + "="*70)

File ~\AppData\Local\Packages\PythonSoftwareFoundation.Python.3.11_qbz5n2kfra8p0\LocalCache\local-packages\Python311\site-packages\pandas\core\generic.py:11995, in NDFrame.describe(self, percentiles, include, exclude)
  11753 @final
  11754 def describe(
  11755     self,
   (...)
  11758     exclude=None,
  11759 ) -> Self:
  11760     """
  11761     Generate descriptive statistics.
  11762 
   (...)
  11993     max            NaN      3.0
  11994     """
> 11995     return describe_ndframe(
  11996         obj=self,
  11997         include=include,
  11998         exclude=exclude,
  11999         percentiles=percentiles,
  12000     ).__finalize__(self, method="describe")

File ~\AppData\Local\Packages\PythonSoftwareFoundation.Python.3.11_qbz5n2kfra8p0\LocalCache\local-packages\Python311\site-packages\pandas\core\methods\describe.py:91, in describe_ndframe(obj, include, exclude, percentiles)
     87     describer = SeriesDescriber(
     88         obj=cast("Series", obj),
     89     )
     90 else:
---> 91     describer = DataFrameDescriber(
     92         obj=cast("DataFrame", obj),
     93         include=include,
     94         exclude=exclude,
     95     )
     97 result = describer.describe(percentiles=percentiles)
     98 return cast(NDFrameT, result)

File ~\AppData\Local\Packages\PythonSoftwareFoundation.Python.3.11_qbz5n2kfra8p0\LocalCache\local-packages\Python311\site-packages\pandas\core\methods\describe.py:162, in DataFrameDescriber.__init__(self, obj, include, exclude)
    159 self.exclude = exclude
    161 if obj.ndim == 2 and obj.columns.size == 0:
--> 162     raise ValueError("Cannot describe a DataFrame without columns")
    164 super().__init__(obj)

ValueError: Cannot describe a DataFrame without columns

do naprawy potem¶

Rozkład train/valid/test - czy zbalansowany¶

======================================================================
ANALIZA PODZIAŁU DATASETU - TRAIN/VALID/TEST
======================================================================

📊 ETAP 1: ROZKŁAD DANYCH WEDŁUG ZBIORÓW
----------------------------------------------------------------------

📈 Liczebność zbiorów:
  • test  :      91 próbek ( 9.10%)
  • train :     813 próbek (81.30%)
  • valid :      96 próbek ( 9.60%)

  RAZEM:      1,000 próbek (100.00%)

======================================================================
📊 WIZUALIZACJA PODZIAŁU
======================================================================
✅ Zapisano: qm9_dataset_split.png

======================================================================
🔬 ANALIZA BALANSU WŁAŚCIWOŚCI KWANTOWYCH
======================================================================

📊 Porównanie średnich wartości właściwości między zbiorami:
----------------------------------------------------------------------

HOMO                     
  Train:    -0.0224  |  Valid:    -0.0890  |  Test:    -0.0519
  Max różnica: 122.23%

LUMO                     
  Train:     0.0727  |  Valid:    -0.1290  |  Test:    -0.1003
  Max różnica: 386.37%

gap                      
  Train:     0.0839  |  Valid:    -0.0843  |  Test:    -0.0742
  Max różnica: 676.65%

dipole_moment            
  Train:    -0.0299  |  Valid:    -0.0693  |  Test:    -0.0120
  Max różnica: 154.55%

polarizability           
  Train:    -0.0297  |  Valid:    -0.0061  |  Test:    -0.0796
  Max różnica: 191.28%

U0                       
  Train:    -0.0125  |  Valid:    -0.0063  |  Test:    -0.0707
  Max różnica: 215.82%

H                        
  Train:     0.0289  |  Valid:     0.1364  |  Test:    -0.0878
  Max różnica: 867.44%

G                        
  Train:     0.0289  |  Valid:     0.1364  |  Test:    -0.0878
  Max różnica: 867.44%

======================================================================
📋 OCENA BALANSU ZBIORÓW
======================================================================

✓ Maksymalna różnica między zbiorami: 867.44%

🔴 SŁABY BALANS
  Znaczące różnice między zbiorami

======================================================================
📊 WIZUALIZACJA ROZKŁADÓW KLUCZOWYCH WŁAŚCIWOŚCI
======================================================================
✅ Zapisano: qm9_split_distributions.png

======================================================================
📦 BOXPLOTY - PORÓWNANIE MEDIANOWE
======================================================================

C:\Users\slast\AppData\Local\Temp\ipykernel_17000\2569215989.py:200: MatplotlibDeprecationWarning: The 'labels' parameter of boxplot() has been renamed 'tick_labels' since Matplotlib 3.9; support for the old name will be dropped in 3.11.
  bp = axes[i].boxplot(data_to_plot,
C:\Users\slast\AppData\Local\Temp\ipykernel_17000\2569215989.py:200: MatplotlibDeprecationWarning: The 'labels' parameter of boxplot() has been renamed 'tick_labels' since Matplotlib 3.9; support for the old name will be dropped in 3.11.
  bp = axes[i].boxplot(data_to_plot,
C:\Users\slast\AppData\Local\Temp\ipykernel_17000\2569215989.py:200: MatplotlibDeprecationWarning: The 'labels' parameter of boxplot() has been renamed 'tick_labels' since Matplotlib 3.9; support for the old name will be dropped in 3.11.
  bp = axes[i].boxplot(data_to_plot,
C:\Users\slast\AppData\Local\Temp\ipykernel_17000\2569215989.py:200: MatplotlibDeprecationWarning: The 'labels' parameter of boxplot() has been renamed 'tick_labels' since Matplotlib 3.9; support for the old name will be dropped in 3.11.
  bp = axes[i].boxplot(data_to_plot,
C:\Users\slast\AppData\Local\Temp\ipykernel_17000\2569215989.py:200: MatplotlibDeprecationWarning: The 'labels' parameter of boxplot() has been renamed 'tick_labels' since Matplotlib 3.9; support for the old name will be dropped in 3.11.
  bp = axes[i].boxplot(data_to_plot,
C:\Users\slast\AppData\Local\Temp\ipykernel_17000\2569215989.py:200: MatplotlibDeprecationWarning: The 'labels' parameter of boxplot() has been renamed 'tick_labels' since Matplotlib 3.9; support for the old name will be dropped in 3.11.
  bp = axes[i].boxplot(data_to_plot,

✅ Zapisano: qm9_split_boxplots.png

======================================================================
📊 PORÓWNANIE STATYSTYK OPISOWYCH
======================================================================

Odchylenia standardowe (im bardziej podobne, tym lepszy balans):
----------------------------------------------------------------------

HOMO                
  Train:     1.0495  |  Valid:     0.9226  |  Test:     0.9963
  Różnica: 12.09%

LUMO                
  Train:     0.9760  |  Valid:     1.0129  |  Test:     1.1192
  Różnica: 12.80%

gap                 
  Train:     1.0070  |  Valid:     0.9814  |  Test:     1.0664
  Różnica: 7.97%

dipole_moment       
  Train:     1.0284  |  Valid:     0.9200  |  Test:     0.9418
  Różnica: 10.55%

polarizability      
  Train:     1.0579  |  Valid:     1.1738  |  Test:     1.0389
  Różnica: 11.50%

U0                  
  Train:     1.0377  |  Valid:     1.1266  |  Test:     1.0621
  Różnica: 7.89%

H                   
  Train:     1.0520  |  Valid:     1.1977  |  Test:     1.0812
  Różnica: 12.17%

G                   
  Train:     1.0520  |  Valid:     1.1977  |  Test:     1.0812
  Różnica: 12.17%

======================================================================
📋 PODSUMOWANIE ANALIZY PODZIAŁU
======================================================================

📊 ROZKŁAD LICZBOWY:
  • Train: 813 (81.3%)
  • Valid: 96 (9.6%)
  • Test:  91 (9.1%)

⚖️  BALANS WŁAŚCIWOŚCI:
  • Status: 🔴 SŁABY BALANS
  • Maksymalna różnica średnich: 867.44%
  • Właściwości z dobrym balansem: 0/8

✅ WNIOSKI:
  • Podział ma lekką nierówność liczebności
  • Niektóre właściwości mogą różnić się między zbiorami
  • Rozważ dodatkowe sprawdzenie podziału

💡 REKOMENDACJE:
  • Rozważ stratified split dla krytycznych właściwości
  • Monitoruj metryki na wszystkich zbiorach podczas treningu

======================================================================
✅ ANALIZA PODZIAŁU ZAKOŃCZONA!
======================================================================

3. ANALIZA SKŁADU CHEMICZNEGO 🧪¶

• Rozkład atomów (H, C, N, O, F) - ile każdego typu
• Masa molowa - rozkład, median, percentyle
• Liczba atomów ciężkich - histogram, statystyki
• Liczba atomów wodoru - analiza
• Wzory sumaryczne - najczęstsze składy

======================================================================
ANALIZA SKŁADU CHEMICZNEGO - QM9 DATASET
======================================================================

🧪 ETAP 1: ROZKŁAD ATOMÓW W DATASECIE
----------------------------------------------------------------------
Analizuję skład atomowy cząsteczek...

📊 Statystyki rozkładu atomów:
----------------------------------------------------------------------
                 H            C            N            O            F
count  1000.000000  1000.000000  1000.000000  1000.000000  1000.000000
mean      9.322000     6.251000     1.093000     1.392000     0.020000
std       3.103215     1.282046     1.138265     0.875844     0.188774
min       1.000000     2.000000     0.000000     0.000000     0.000000
25%       7.000000     5.000000     0.000000     1.000000     0.000000
50%       9.000000     6.000000     1.000000     1.000000     0.000000
75%      12.000000     7.000000     2.000000     2.000000     0.000000
max      18.000000     9.000000     6.000000     4.000000     3.000000

📈 Całkowita liczba atomów w datasecie:
  • H: 9,322 atomów | Średnio 9.32 na cząsteczkę
  • C: 6,251 atomów | Średnio 6.25 na cząsteczkę
  • N: 1,093 atomów | Średnio 1.09 na cząsteczkę
  • O: 1,392 atomów | Średnio 1.39 na cząsteczkę
  • F: 20 atomów | Średnio 0.02 na cząsteczkę

======================================================================
📊 WIZUALIZACJA ROZKŁADU ATOMÓW
======================================================================
✅ Zapisano: qm9_atom_distribution.png

======================================================================
⚖️  ANALIZA MASY MOLOWEJ
======================================================================

📊 Statystyki masy molowej:
  • Średnia:    122.53 g/mol
  • Mediana:    125.13 g/mol
  • Odch. std:  8.67 g/mol
  • Min:        59.07 g/mol
  • Max:        142.12 g/mol

📈 Percentyle masy molowej:
  • 10%:  112.11 g/mol
  • 25%:  121.10 g/mol
  • 50%:  125.13 g/mol
  • 75%:  128.13 g/mol
  • 90%:  130.08 g/mol
  • 95%:  131.13 g/mol
  • 99%:  132.20 g/mol

C:\Users\slast\AppData\Local\Temp\ipykernel_17000\3117465052.py:175: MatplotlibDeprecationWarning: The 'labels' parameter of boxplot() has been renamed 'tick_labels' since Matplotlib 3.9; support for the old name will be dropped in 3.11.
  bp = axes[1].boxplot([df['MolWt'].dropna()], labels=['Masa molowa'],

✅ Zapisano: qm9_molecular_weight.png

======================================================================
🔬 ANALIZA ATOMÓW CIĘŻKICH (non-H)
======================================================================

📊 Statystyki atomów ciężkich:
  • Średnia:   8.76 atomów
  • Mediana:   9 atomów
  • Min:       4 atomów
  • Max:       9 atomów
  • Limit QM9: 9 atomów ciężkich

📈 Rozkład liczby atomów ciężkich:
   4 atomów:      1 cząsteczek ( 0.10%) 
   5 atomów:      2 cząsteczek ( 0.20%) 
   6 atomów:      8 cząsteczek ( 0.80%) 
   7 atomów:     30 cząsteczek ( 3.00%) █
   8 atomów:    147 cząsteczek (14.70%) ███████
   9 atomów:    812 cząsteczek (81.20%) ████████████████████████████████████████

✅ Zapisano: qm9_heavy_atoms.png

======================================================================
🧬 WZORY SUMARYCZNE - NAJCZĘSTSZE SKŁADY
======================================================================

🏆 TOP 20 najczęstszych wzorów sumarycznych:
----------------------------------------------------------------------
   1. C7H10O2            52 cząsteczek ( 5.20%)
   2. C6H9NO2            39 cząsteczek ( 3.90%)
   3. C7H12O2            36 cząsteczek ( 3.60%)
   4. C8H12O             35 cząsteczek ( 3.50%)
   5. C7H9NO             25 cząsteczek ( 2.50%)
   6. C6H8O3             23 cząsteczek ( 2.30%)
   7. C8H10O             21 cząsteczek ( 2.10%)
   8. C6H7NO2            19 cząsteczek ( 1.90%)
   9. C7H8O2             19 cząsteczek ( 1.90%)
  10. C7H14NO            18 cząsteczek ( 1.80%)
  11. C6H10N2O           17 cząsteczek ( 1.70%)
  12. C6H10O3            16 cząsteczek ( 1.60%)
  13. C7H12NO            15 cząsteczek ( 1.50%)
  14. C8H14O             14 cząsteczek ( 1.40%)
  15. C6H8N2O            14 cząsteczek ( 1.40%)
  16. C6H11NO2           13 cząsteczek ( 1.30%)
  17. C6H12O3            13 cząsteczek ( 1.30%)
  18. C8H16O             12 cząsteczek ( 1.20%)
  19. C7H7NO             12 cząsteczek ( 1.20%)
  20. C9H14              11 cząsteczek ( 1.10%)

✅ Zapisano: qm9_molecular_formulas.png

======================================================================
📋 PODSUMOWANIE SKŁADU CHEMICZNEGO
======================================================================

🧪 SKŁAD ATOMOWY:
  • Średnia H:  9.32 (wodór)
  • Średnia C:  6.25 (węgiel)
  • Średnia N:  1.09 (azot)
  • Średnia O:  1.39 (tlen)
  • Średnia F:  0.02 (fluor)

⚖️  MASA MOLOWA:
  • Zakres:     59.1 - 142.1 g/mol
  • Średnia:    122.5 g/mol
  • Mediana:    125.1 g/mol

🔬 ATOMY CIĘŻKIE:
  • Zakres:     4 - 9 atomów
  • Średnia:    8.76 atomów
  • Limit QM9:  9 atomów ciężkich (spec datasetu)

🧬 WZORY SUMARYCZNE:
  • Unikalne wzory:           243
  • Całkowita liczba molekuł: 1,000
  • Najczęstszy wzór:         C7H10O2 (52 molekuł)

✅ CHARAKTERYSTYKA DATASETU:
  • QM9 zawiera małe cząsteczki organiczne (max 9 ciężkich atomów)
  • Dominują związki z H, C, N, O, F (jak w specyfikacji)
  • Duża różnorodność strukturalna (243 unikalnych wzorów)
  • Masa molowa typowo poniżej 150 g/mol (small molecules)

======================================================================
✅ ANALIZA SKŁADU CHEMICZNEGO ZAKOŃCZONA!
======================================================================

4. ANALIZA STRUKTURALNA 🔬¶

• Liczba wiązań - single, double, triple, aromatic
• Liczba pierścieni - histogram, rozkład 0-3 pierścienie
• Pierścienie aromatyczne vs alifatyczne
• Rotowalne wiązania - flexibility molekuł
• Frakcja sp3 - saturacja vs aromatyczność
• Chiralność - czy są centra chiralne

======================================================================
ANALIZA STRUKTURALNA - QM9 DATASET
======================================================================

🔗 ETAP 1: ANALIZA TYPÓW WIĄZAŃ
----------------------------------------------------------------------
Analizuję typy wiązań w cząsteczkach...

📊 Statystyki typów wiązań:
            single       double       triple     aromatic
count  1000.000000  1000.000000  1000.000000  1000.000000
mean      7.502000     0.613000     0.268000     0.974000
std       2.624287     0.749528     0.548157     2.129756
min       0.000000     0.000000     0.000000     0.000000
25%       6.000000     0.000000     0.000000     0.000000
50%       8.000000     0.000000     0.000000     0.000000
75%       9.000000     1.000000     0.000000     0.000000
max      13.000000     3.000000     4.000000    10.000000

📈 Średnia liczba wiązań każdego typu:
  • single    : Średnio 7.50 | Molekuły z tym wiązaniem: 997 (99.7%)
  • double    : Średnio 0.61 | Molekuły z tym wiązaniem: 472 (47.2%)
  • triple    : Średnio 0.27 | Molekuły z tym wiązaniem: 222 (22.2%)
  • aromatic  : Średnio 0.97 | Molekuły z tym wiązaniem: 179 (17.9%)

✅ Zapisano: qm9_bond_types.png

======================================================================
⭕ ANALIZA PIERŚCIENI
======================================================================
Analizuję struktury pierścieniowe...

📊 Statystyki pierścieni:
       total_rings  aromatic_rings  aliphatic_rings  saturated_rings  \
count  1000.000000     1000.000000      1000.000000      1000.000000   
mean      1.696000        0.189000         1.507000         1.333000   
std       1.153653        0.416476         1.282028         1.302231   
min       0.000000        0.000000         0.000000         0.000000   
25%       1.000000        0.000000         1.000000         0.000000   
50%       1.000000        0.000000         1.000000         1.000000   
75%       2.000000        0.000000         2.000000         2.000000   
max       7.000000        2.000000         7.000000         7.000000   

       hetero_rings  aromatic_hetero_rings  
count   1000.000000            1000.000000  
mean       1.018000               0.188000  
std        0.893574               0.415727  
min        0.000000               0.000000  
25%        0.000000               0.000000  
50%        1.000000               0.000000  
75%        1.000000               0.000000  
max        6.000000               2.000000  

📈 Rozkład liczby pierścieni:
  0 pierścieni:     98 cząsteczek ( 9.80%) ███
  1 pierścieni:    420 cząsteczek (42.00%) ██████████████
  2 pierścieni:    271 cząsteczek (27.10%) █████████
  3 pierścieni:    146 cząsteczek (14.60%) ████
  4 pierścieni:     38 cząsteczek ( 3.80%) █
  5 pierścieni:     21 cząsteczek ( 2.10%) 
  6 pierścieni:      3 cząsteczek ( 0.30%) 
  7 pierścieni:      3 cząsteczek ( 0.30%) 

✓ Z pierścieniami:    902 (90.2%)
✓ Bez pierścieni:     98 (9.8%)

✅ Zapisano: qm9_rings_analysis.png

======================================================================
🔄 ANALIZA ROTOWALNYCH WIĄZAŃ (FLEXIBILITY)
======================================================================

📊 Statystyki rotowalnych wiązań:
  • Średnia:   0.89 wiązań
  • Mediana:   1 wiązań
  • Max:       5 wiązań
  • Std:       1.07

📈 Rozkład rotowalnych wiązań:
   0 wiązań:    475 cząsteczek (47.50%) ███████████████████████
   1 wiązań:    281 cząsteczek (28.10%) ██████████████
   2 wiązań:    159 cząsteczek (15.90%) ███████
   3 wiązań:     55 cząsteczek ( 5.50%) ██
   4 wiązań:     24 cząsteczek ( 2.40%) █

📋 Klasyfikacja elastyczności:
  • Sztywne (0 wiązań):        475 (47.5%)
  • Semi-elastyczne (1-3):     495 (49.5%)
  • Elastyczne (4+):           30 (3.0%)

✅ Zapisano: qm9_rotatable_bonds.png

======================================================================
🧬 ANALIZA FRAKCJI SP3 (SATURACJA)
======================================================================

======================================================================
🔀 ANALIZA CHIRALNOŚCI
======================================================================
Analizuję centra chiralne...

📊 Statystyki chiralności:
  • Cząsteczki chiralne:    696 (69.6%)
  • Cząsteczki achiralne:   304 (30.4%)

📈 Rozkład liczby centrów chiralnych:
  0 centrów:    304 cząsteczek (30.40%) ███████████████
  1 centrów:    184 cząsteczek (18.40%) █████████
  2 centrów:    203 cząsteczek (20.30%) ██████████
  3 centrów:    133 cząsteczek (13.30%) ██████
  4 centrów:    111 cząsteczek (11.10%) █████
  5 centrów:     44 cząsteczek ( 4.40%) ██
  6 centrów:     17 cząsteczek ( 1.70%) 

✅ Zapisano: qm9_chirality.png

======================================================================
📋 PODSUMOWANIE ANALIZY STRUKTURALNEJ
======================================================================

🔗 WIĄZANIA:
  • Single:     Średnio 7.50 wiązań
  • Double:     Średnio 0.61 wiązań
  • Triple:     Średnio 0.27 wiązań
  • Aromatic:   Średnio 0.97 wiązań

⭕ PIERŚCIENIE:
  • Średnia liczba pierścieni:        1.70
  • Molekuły z pierścieniami:          902 (90.2%)
  • Średnia pierścieni aromatycznych:  0.19
  • Średnia heterocykli:               1.02

🔄 FLEXIBILITY:
  • Średnia rotowalnych wiązań:  0.89
  • Molekuły sztywne (0):        475 (47.5%)
  • Molekuły elastyczne (4+):    30 (3.0%)

🧬 NASYCENIE:
  • Średnia frakcja sp³:         0.695
  • Min frakcja sp³:             0.000
  • Max frakcja sp³:             1.000

🔀 CHIRALNOŚĆ:
  • Molekuły chiralne:           696 (69.6%)
  • Średnia centrów chiralnych:  1.78

✅ CHARAKTERYSTYKA:
  • QM9 zawiera głównie małe, względnie sztywne molekuły
  • Dominują struktury z 0-2 pierścieniami
  • Mix molekuł aromatycznych i alifatycznych
  • Niska chiralność (typowe dla małych molekuł)

======================================================================
✅ ANALIZA STRUKTURALNA ZAKOŃCZONA!
======================================================================

5. WŁAŚCIWOŚCI FIZYKOCHEMICZNE (RDKit) ⚗️¶

• LogP - lipofilowość, rozkład, outliers
• TPSA - polar surface area, drug-likeness
• HBD/HBA - donory i akceptory wodoru
• Molar Refractivity - objętość molekularna
• Reguła Lipińskiego - ile struktur spełnia Ro5
• Korelacje między deskryptorami - heatmap

======================================================================
WŁAŚCIWOŚCI FIZYKOCHEMICZNE - QM9 DATASET
======================================================================

⚗️ ETAP 1: OBLICZANIE DESKRYPTORÓW FIZYKOCHEMICZNYCH
----------------------------------------------------------------------
Obliczam właściwości fizykochemiczne...

✅ Obliczono 7 właściwości dla 1000 molekuł

📊 Statystyki właściwości fizykochemicznych:
              LogP        MolMR         TPSA          HBD          HBA  \
count  1000.000000  1000.000000  1000.000000  1000.000000  1000.000000   
mean      0.104381    31.821830    37.802210     0.972000     2.053000   
std       1.173836     3.606108    21.399043     0.889948     1.093337   
min      -3.467400    14.868400     0.000000     0.000000     0.000000   
25%      -0.660365    29.675525    21.510000     0.000000     1.000000   
50%       0.158600    31.994000    36.510000     1.000000     2.000000   
75%       0.923925    34.185250    52.512500     2.000000     3.000000   
max       3.222700    41.365000   112.360000     4.000000     5.000000   

         LabuteASA     BalabanJ  
count  1000.000000  1000.000000  
mean     52.579936     2.448441  
std       3.722869     0.525115  
min      24.605606     0.000000  
25%      51.782555     2.071725  
50%      53.587200     2.269522  
75%      54.820772     2.693324  
max      58.088080     4.837063  

======================================================================
💧 ANALIZA LogP (LIPOFILOWOŚĆ)
======================================================================

📊 Statystyki LogP:
  • Średnia:    0.104
  • Mediana:    0.159
  • Std:        1.174
  • Min:        -3.467
  • Max:        3.223

📈 Percentyle LogP:
  • 10%:  -1.387
  • 25%:  -0.660
  • 50%:  0.159
  • 75%:  0.924
  • 90%:  1.561

📋 Klasyfikacja lipofilowości:
  • Bardzo hydrofilowe (LogP < -1):    179 (17.9%)
  • Hydrofilowe (-1 ≤ LogP < 1):       592 (59.2%)
  • Umiarkowane (1 ≤ LogP < 3):        227 (22.7%)
  • Lipofilowe (3 ≤ LogP < 5):         2 (0.2%)
  • Bardzo lipofilowe (LogP ≥ 5):      0 (0.0%)

⚠️  Outliers LogP (metoda IQR):
  • Liczba outliers: 7 (0.70%)
  • Zakres normalny: [-3.04, 3.30]

C:\Users\slast\AppData\Local\Temp\ipykernel_17000\1039049785.py:114: MatplotlibDeprecationWarning: The 'labels' parameter of boxplot() has been renamed 'tick_labels' since Matplotlib 3.9; support for the old name will be dropped in 3.11.
  bp = axes[0, 1].boxplot([df['LogP'].dropna()], labels=['LogP'],

✅ Zapisano: qm9_logp_analysis.png

======================================================================
🧊 ANALIZA TPSA (TOPOLOGICAL POLAR SURFACE AREA)
======================================================================

📊 Statystyki TPSA:
  • Średnia:    37.80 Ų
  • Mediana:    36.51 Ų
  • Std:        21.40 Ų
  • Max:        112.36 Ų

💊 Drug-likeness (TPSA):
  • BBB permeable (< 140 Ų):    1,000 (100.0%)
  • CNS optimal (< 90 Ų):       991 (99.1%)

✅ Zapisano: qm9_tpsa_analysis.png

======================================================================
🔗 ANALIZA WIĄZAŃ WODOROWYCH (HBD/HBA)
======================================================================

📊 Statystyki:
  • Średnia HBD (donory):     0.97
  • Średnia HBA (akceptory):  2.05
  • Max HBD:                  4
  • Max HBA:                  5

📈 Rozkład HBD:
  0 donorów:   348 (34.80%) ███████████
  1 donorów:   392 (39.20%) █████████████
  2 donorów:   202 (20.20%) ██████
  3 donorów:    56 ( 5.60%) █

📈 Rozkład HBA:
  0 akceptorów:    66 ( 6.60%) ██
  1 akceptorów:   249 (24.90%) ████████
  2 akceptorów:   355 (35.50%) ███████████
  3 akceptorów:   247 (24.70%) ████████
  4 akceptorów:    62 ( 6.20%) ██
  5 akceptorów:    21 ( 2.10%) 

✅ Zapisano: qm9_hbond_analysis.png

======================================================================
💊 REGUŁA LIPIŃSKIEGO (RULE OF 5)
======================================================================

📊 Zgodność z regułą Lipińskiego:
  • Zgodne (≤1 naruszenie):    1,000 (100.0%)
  • Niezgodne (>1 naruszenie): 0 (0.0%)

📈 Rozkład naruszeń:
  0 naruszeń: 1,000 (100.00%) ██████████████████████████████████████████████████

📋 Szczegółowe naruszenia:
  • MW > 500:    0
  • LogP > 5:    0
  • HBD > 5:     0
  • HBA > 10:    0

C:\Users\slast\AppData\Local\Temp\ipykernel_17000\1039049785.py:358: UserWarning: Tight layout not applied. The left and right margins cannot be made large enough to accommodate all Axes decorations.
  plt.tight_layout()

✅ Zapisano: qm9_lipinski_ro5.png

======================================================================
🔗 KORELACJE MIĘDZY DESKRYPTORAMI
======================================================================

📊 Najsilniejsze korelacje:

Top 10 najsilniejszych korelacji:
  MolWt                ↔ HeavyAtoms            r = +0.927
  TPSA                 ↔ HBA                   r = +0.821
  LogP                 ↔ HBD                   r = -0.638
  MolMR                ↔ HeavyAtoms            r = +0.578
  TPSA                 ↔ HBD                   r = +0.572
  LogP                 ↔ MolMR                 r = +0.495
  LogP                 ↔ TPSA                  r = -0.476
  MolWt                ↔ MolMR                 r = +0.470
  HBA                  ↔ MolMR                 r = -0.462
  TPSA                 ↔ frac_csp3             r = -0.447

✅ Zapisano: qm9_descriptors_correlation.png

======================================================================
📋 PODSUMOWANIE WŁAŚCIWOŚCI FIZYKOCHEMICZNYCH
======================================================================

💧 LIPOFILOWOŚĆ (LogP):
  • Średnia:              0.104
  • Zakres:               -3.47 - 3.22
  • Hydrofilowe (<1):     771 (77.1%)
  • Lipofilowe (≥3):      2 (0.2%)

🧊 TPSA (Polar Surface Area):
  • Średnia:              37.80 Ų
  • BBB permeable:        1,000 (100.0%)
  • CNS optimal:          991 (99.1%)

🔗 WIĄZANIA WODOROWE:
  • Średnia HBD:          0.97
  • Średnia HBA:          2.05
  • Max HBD:              4
  • Max HBA:              5

💊 REGUŁA LIPIŃSKIEGO (Ro5):
  • Zgodne molekuły:      1,000 (100.0%)
  • 0 naruszeń:           1,000
  • 1 naruszenie:         0
  • >1 naruszeń:          0

🔗 KORELACJE:
  • Najsilniejsza:        MolWt ↔ HeavyAtoms (r=0.927)
  • Silne korelacje (|r|>0.7): 2

✅ WNIOSKI:
  • QM9 zawiera głównie małe, relatywnie hydrofilowe molekuły
  • Wysoka zgodność z regułą Lipińskiego (100%)
  • Niska TPSA → dobra przepuszczalność błon
  • Deskryptory silnie skorelowane z masą molową

======================================================================
✅ ANALIZA WŁAŚCIWOŚCI FIZYKOCHEMICZNYCH ZAKOŃCZONA!
======================================================================

6. WŁAŚCIWOŚCI KWANTOWO-CHEMICZNE ⚛️¶

• HOMO energy - rozkład, interpretacja
• LUMO energy - rozkład, interpretacja
• HOMO-LUMO gap - kluczowa właściwość, rozkład, outliers
• Dipole moment - polarity molekuł
• Polarizability - odpowiedź na pole elektryczne
• Energy at 0K vs 298K - różnice termodynamiczne
• Heat capacity - właściwości termiczne
• Korelacje między właściwościami kwantowymi

📊 Statystyki polaryzowalności:
  • Średnia:    -0.0320 Bohr³
  • Mediana:    -0.0196 Bohr³
  • Std:        1.0669 Bohr³
  • Min:        -5.1446 Bohr³
  • Max:        4.0181 Bohr³

💡 INTERPRETACJA:
  • Polaryzowalność = łatwość deformacji chmury elektronowej
  • Wyższa wartość → większa molekuła, łatwiejsza polaryzacja
  • Związane z objętością i rozkładem elektronów

✅ Zapisano: qm9_polarizability_analysis.png

======================================================================
🌡️  ANALIZA WŁAŚCIWOŚCI TERMODYNAMICZNYCH
======================================================================

📊 Różnica energii (U298 - U0):
  • Średnia:    0.045818 eV
  • Mediana:    -0.152494 eV
  • Std:        1.715315 eV

📊 Heat Capacity (Cv):
  • Średnia:    0.0286 cal/mol·K
  • Mediana:    -0.0836 cal/mol·K
  • Min:        -3.5388 cal/mol·K
  • Max:        6.6113 cal/mol·K

✅ Zapisano: qm9_thermodynamic_analysis.png

======================================================================
🔗 KORELACJE MIĘDZY WŁAŚCIWOŚCIAMI KWANTOWYMI
======================================================================

📊 Najsilniejsze korelacje między właściwościami kwantowymi:

Top 15 najsilniejszych korelacji:
  H                              ↔ G                               r = +1.0000
  U                              ↔ H                               r = +1.0000
  U                              ↔ G                               r = +1.0000
  U                              ↔ Cv                              r = +1.0000
  H                              ↔ Cv                              r = +1.0000
  G                              ↔ Cv                              r = +1.0000
  LUMO                           ↔ gap                             r = +0.8670
  electronic_spatial_extent      ↔ U0                              r = +0.8288
  polarizability                 ↔ U0                              r = +0.7982
  zpve                           ↔ U0                              r = +0.7758
  polarizability                 ↔ zpve                            r = +0.7655
  polarizability                 ↔ electronic_spatial_extent       r = +0.7170
  LUMO                           ↔ zpve                            r = +0.6705
  gap                            ↔ zpve                            r = +0.5705
  electronic_spatial_extent      ↔ zpve                            r = +0.5284

✅ Zapisano: qm9_quantum_correlations.png

======================================================================
📈 KLUCZOWE ZALEŻNOŚCI STRUKTURA-WŁAŚCIWOŚCI
======================================================================

✅ Zapisano: qm9_structure_property_relations.png

======================================================================
📋 PODSUMOWANIE WŁAŚCIWOŚCI KWANTOWO-CHEMICZNYCH
======================================================================

---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
Cell In[26], line 276
    265 print("📋 PODSUMOWANIE WŁAŚCIWOŚCI KWANTOWO-CHEMICZNYCH")
    266 print("="*70)
    268 print(f"""
    269 ⚛️ ORBITALE MOLEKULARNE:
    270   • HOMO:               {df['HOMO'].mean():.4f} ± {df['HOMO'].std():.4f} eV
    271   • LUMO:               {df['LUMO'].mean():.4f} ± {df['LUMO'].std():.4f} eV
    272   • Gap:                {df['gap'].mean():.4f} ± {df['gap'].std():.4f} eV
    273   • Zakres gap:         [{df['gap'].min():.3f}, {df['gap'].max():.3f}] eV
    274 
    275 🌈 KLASYFIKACJA REAKTYWNOŚCI:
--> 276   • Bardzo reaktywne:   {very_reactive:,} ({very_reactive/len(df)*100:.1f}%)
    277   • Stabilne:           {stable:,} ({stable/len(df)*100:.1f}%)
    278   • Bardzo stabilne:    {very_stable:,} ({very_stable/len(df)*100:.1f}%)
    279 
    280 ⚡ POLARNOŚĆ:
    281   • Dipole moment:      {df['dipole_moment'].mean():.4f} ± {df['dipole_moment'].std():.4f} D
    282   • Niepolarne:         {nonpolar:,} ({nonpolar/len(df)*100:.1f}%)
    283   • Silnie polarne:     {highly_polar:,} ({highly_polar/len(df)*100:.1f}%)
    284 
    285 🔮 POLARYZOWALNOŚĆ:
    286   • Średnia:            {df['polarizability'].mean():.2f} Bohr³
    287   • Zakres:             [{df['polarizability'].min():.1f}, {df['polarizability'].max():.1f}]
    288 
    289 🌡️  TERMODYNAMIKA:
    290   • ΔE (298K-0K):       {df['energy_diff'].mean():.6f} eV
    291   • Cv średnie:         {df['Cv'].mean():.2f} cal/mol·K
    292   • Cv zakres:          [{df['Cv'].min():.1f}, {df['Cv'].max():.1f}]
    293 
    294 🔗 KORELACJE:
    295   • Najsilniejsza:      {df_quantum_corr.iloc[0]['Prop1']} ↔ {df_quantum_corr.iloc[0]['Prop2']}
    296   • Wartość r:          {df_quantum_corr.iloc[0]['Correlation']:.4f}
    297   • Silne (|r|>0.7):    {(df_quantum_corr['Correlation'].abs() > 0.7).sum()} par
    298 
    299 ✅ KLUCZOWE WNIOSKI:
    300   • HOMO-LUMO gap jest kluczową właściwością dla reaktywności
    301   • Większość molekuł ma gap 5-8 eV (stabilne)
    302   • Silna korelacja między właściwościami termodynamicznymi
    303   • Polaryzowość rośnie liniowo z masą molową
    304   • Gap maleje z aromatycznością (mniejsza stabilność)
    305   
    306 💡 IMPLIKACJE:
    307   • Małe molekuły QM9 są ogólnie stabilne (duży gap)
    308   • Niska polaryzowalność → małe, sztywne struktury
    309   • Właściwości termodynamiczne wysoce skorelowane
    310   • Dataset idealny do ML prediction gap & orbital energies
    311 """)
    313 print("="*70)
    314 print("✅ ANALIZA WŁAŚCIWOŚCI KWANTOWO-CHEMICZNYCH ZAKOŃCZONA!")

NameError: name 'very_reactive' is not defined

7. ZAAWANSOWANE KORELACJE 📈¶

• Heatmap korelacji - wszystkie właściwości
• Pairplot - wybrane pary zmiennych
• HOMO vs LUMO - scatter z density
• Gap vs masa molowa - zależność
• Gap vs liczba pierścieni - aromatyczność
• Dipole moment vs TPSA - polarność
• PCA analysis - główne komponenty

======================================================================
ZAAWANSOWANE KORELACJE I ANALIZA GŁÓWNYCH KOMPONENTÓW
======================================================================

📊 ETAP 1: KOMPLETNA MACIERZ KORELACJI
----------------------------------------------------------------------

✓ Analizuję 23 właściwości
✓ Macierz korelacji: (23, 23)

✅ Zapisano: qm9_complete_correlation_matrix.png

🔝 TOP 20 NAJSILNIEJSZYCH KORELACJI (wszystkie właściwości):
  H                         ↔ G                          r = +1.0000
  U                         ↔ H                          r = +1.0000
  U                         ↔ G                          r = +1.0000
  U                         ↔ Cv                         r = +1.0000
  H                         ↔ Cv                         r = +1.0000
  G                         ↔ Cv                         r = +1.0000
  MolWt                     ↔ HeavyAtoms                 r = +0.9272
  LUMO                      ↔ gap                        r = +0.8670
  frac_csp3                 ↔ single_bonds               r = +0.8653
  TPSA                      ↔ HBA                        r = +0.8212
  polarizability            ↔ U0                         r = +0.7982
  aromatic_rings            ↔ single_bonds               r = -0.7747
  frac_csp3                 ↔ aromatic_rings             r = -0.6694
  LogP                      ↔ HBD                        r = -0.6385
  total_rings               ↔ single_bonds               r = +0.6082
  MolMR                     ↔ HeavyAtoms                 r = +0.5782
  TPSA                      ↔ HBD                        r = +0.5720
  LogP                      ↔ MolMR                      r = +0.4946
  rotatable_bonds           ↔ total_rings                r = -0.4823
  LogP                      ↔ TPSA                       r = -0.4764

======================================================================
📊 PAIRPLOT - KLUCZOWE WŁAŚCIWOŚCI
======================================================================

✓ Tworzę pairplot dla 6 zmiennych
   Używam 1000 próbek dla szybkości

✅ Zapisano: qm9_pairplot_key_properties.png

======================================================================
🎯 HOMO vs LUMO - SZCZEGÓŁOWA ANALIZA
======================================================================

📊 Korelacja HOMO-LUMO: r = 0.2276
   Regresja: LUMO = 0.2193 × HOMO + 0.0445
   R² = 0.0518, p-value < 0.001

✅ Zapisano: qm9_homo_lumo_detailed.png

======================================================================
⚖️  GAP vs MASA MOLOWA
======================================================================

📊 Korelacja gap-MolWt: r = -0.0798
   Regresja: gap = -0.009306 × MolWt + 1.1937

C:\Users\slast\AppData\Local\Temp\ipykernel_17000\1665324177.py:202: MatplotlibDeprecationWarning: The 'labels' parameter of boxplot() has been renamed 'tick_labels' since Matplotlib 3.9; support for the old name will be dropped in 3.11.
  bp = axes[1].boxplot(data_boxplot, labels=labels_mw, patch_artist=True, widths=0.6)
C:\Users\slast\AppData\Local\Temp\ipykernel_17000\1665324177.py:213: FutureWarning: The default of observed=False is deprecated and will be changed to True in a future version of pandas. Pass observed=False to retain current behavior or observed=True to adopt the future default and silence this warning.
  mean_gap_per_group = df.groupby('MW_group')['gap'].mean()

✅ Zapisano: qm9_gap_vs_molwt.png

======================================================================
⭕ GAP vs AROMATYCZNOŚĆ
======================================================================

📊 Średni gap według liczby pierścieni:
  0 pierścieni: gap=0.154±1.014 (n=98)
  1 pierścieni: gap=0.071±1.034 (n=420)
  2 pierścieni: gap=0.043±0.972 (n=271)
  3 pierścieni: gap=0.033±1.019 (n=146)
  4 pierścieni: gap=-0.343±0.980 (n=38)
  5 pierścieni: gap=0.178±0.961 (n=21)
  6 pierścieni: gap=-0.012±1.188 (n=3)
  7 pierścieni: gap=0.511±1.273 (n=3)

📊 Średni gap według pierścieni aromatycznych:
  0 aromatycznych: gap=0.053±1.002 (n=821)
  1 aromatycznych: gap=0.023±1.032 (n=169)
  2 aromatycznych: gap=0.577±1.307 (n=10)

C:\Users\slast\AppData\Local\Temp\ipykernel_17000\1665324177.py:265: MatplotlibDeprecationWarning: The 'labels' parameter of boxplot() has been renamed 'tick_labels' since Matplotlib 3.9; support for the old name will be dropped in 3.11.
  bp = axes[0, 1].boxplot(data_rings, labels=[str(int(r)) for r in rings_range],

✅ Zapisano: qm9_gap_vs_rings.png

======================================================================
⚡ DIPOLE MOMENT vs TPSA (POLARNOŚĆ)
======================================================================

📊 Korelacja dipole-TPSA: r = -0.0233

✅ Zapisano: qm9_dipole_vs_tpsa.png

======================================================================
🎯 PCA - ANALIZA GŁÓWNYCH KOMPONENTÓW
======================================================================

✓ PCA na 12 cechach
✓ Liczba próbek: 1,000

📊 Wariancja wyjaśniona przez komponenty:
  PC1: 23.42% (skumulowana: 23.42%)
  PC2: 19.04% (skumulowana: 42.46%)
  PC3: 12.14% (skumulowana: 54.60%)
  PC4: 10.57% (skumulowana: 65.17%)
  PC5: 8.97% (skumulowana: 74.13%)

✓ Komponenty dla 90% wariancji: 8
✓ Komponenty dla 95% wariancji: 9

✅ Zapisano: qm9_pca_analysis.png

📋 TOP 5 cech wpływających na PC1:
  + TPSA                  0.552
  + HBA                   0.484
  + HBD                   0.439
  - LogP                  0.408
  - frac_csp3             0.224

📋 TOP 5 cech wpływających na PC2:
  + LUMO                  0.612
  + gap                   0.564
  - dipole_moment         0.421
  + polarizability        0.337
  - MolWt                 0.088

======================================================================
📋 PODSUMOWANIE ZAAWANSOWANEJ ANALIZY KORELACJI
======================================================================

📊 KORELACJE:
  • Analizowano 23 właściwości
  • Najsilniejsza korelacja: H ↔ G (r=1.000)
  • Silne korelacje (|r|>0.7): 12

🎯 HOMO-LUMO:
  • Korelacja: r = 0.2276
  • Silna zależność liniowa
  • Gap = LUMO - HOMO doskonale skorelowany

⚖️  GAP vs STRUKTURA:
  • Gap maleje z masą (r = -0.080)
  • Gap maleje z aromatycznością
  • Większe molekuły → mniejszy gap → bardziej reaktywne

💡 PCA:
  • PC1 wyjaśnia 23.4% wariancji
  • 8 komponentów → 90% wariancji
  • 9 komponentów → 95% wariancji
  • Główne wymiary: rozmiar, polarność, struktura elektronowa

✅ WNIOSKI:
  • Silne współzależności między właściwościami termodynamicznymi
  • Właściwości strukturalne wpływają na gap i orbitale
  • PCA pokazuje 3 główne wymiary: rozmiar, polarność, elektronika
  • Redukcja wymiarów możliwa bez dużej utraty informacji

======================================================================
✅ ZAAWANSOWANA ANALIZA KORELACJI ZAKOŃCZONA!
======================================================================

======================================================================
🎯 EXECUTIVE SUMMARY - QM9 DATASET
======================================================================

📊 KLUCZOWE STATYSTYKI DATASETU
----------------------------------------------------------------------

📦 ROZMIAR DATASETU:
  • Liczba molekuł:           1,000
  • Liczba cech:              55
  • Pamięć:                   0.59 MB
  • Kompletność:              98.18%

🧪 SKŁAD CHEMICZNY:
  • Średnia masa molowa:      122.5 ± 8.7 g/mol
  • Średnia atomów ciężkich:  8.8
  • Z pierścieniami:          902 (90.2%)
  • Molekuły chiralne:        696 (69.6%)

⚛️ WŁAŚCIWOŚCI KWANTOWE:
  • HOMO-LUMO gap:            0.053 ± 1.011 eV
  • Zakres gap:               [-2.54, 4.75] eV
  • Moment dipolowy:          -0.03 ± 1.01 D
  • Polaryzowalność:          -0.0 ± 1.1 Bohr³

💊 DRUG-LIKENESS:
  • Zgodne z Ro5:             1,000 (100.0%)
  • BBB permeable:            1,000 (100.0%)
  • Średnie LogP:             0.10


======================================================================
💡 TOP 10 KLUCZOWYCH ODKRYĆ
======================================================================
  1. QM9 zawiera głównie małe, stabilne molekuły organiczne (max 9 atomów ciężkich)
  2. Wysoka zgodność z regułą Lipińskiego (100%) → potencjał farmaceutyczny
  3. HOMO-LUMO gap silnie skorelowany z reaktywnością (gap 0.05±1.01 eV)
  4. Większość molekuł zawiera 1-2 pierścienie (69%)
  5. Niska chiralność (69.6%) - typowe dla małych molekuł
  6. Właściwości termodynamiczne (U, H, G) perfekcyjnie skorelowane (r≈1.0)
  7. Gap maleje z aromatycznością → pierścienie stabilizują orbitale
  8. Polaryzowalność liniowo rośnie z masą molową (r=0.030)
  9. Dataset kompletny (0 brakujących wartości) → gotowy do ML
  10. PCA: 100% wariancji w 5 komponentach → możliwa redukcja wymiarów

======================================================================
📊 GENEROWANIE DASHBOARDU PODSUMOWUJĄCEGO
======================================================================

✅ Zapisano: qm9_executive_summary_dashboard.png

======================================================================
🤖 REKOMENDACJE DLA MODELOWANIA ML
======================================================================

📋 ZALECENIA:

1. TARGET VARIABLES (najlepsze do predykcji):
   ✓ HOMO-LUMO gap - kluczowa właściwość, duża wariancja
   ✓ HOMO/LUMO energy - ważne dla chemii obliczeniowej
   ✓ Dipole moment - miara polarności
   ✓ Właściwości termodynamiczne (U, H, G) - ale bardzo skorelowane!

2. FEATURES (rekomendowane cechy):
   ✓ Deskryptory strukturalne: HeavyAtoms, rings, bonds
   ✓ Deskryptory RDKit: LogP, TPSA, MolWt
   ✓ SMILES → fingerprints (ECFP, Morgan) dla GNN
   ✓ UNIKAJ: U/H/G razem (r≈1.0 - multikolinearność!)

3. MODELE DO ROZWAŻENIA:
   • Random Forest / XGBoost - baseline (deskryptory RDKit)
   • Graph Neural Networks - najlepsze (reprezentacja grafowa)
   • SchNet / DimeNet - dla 3D geometrii
   • Ensemble models - kombinacja podejść

4. PREPROCESSING:
   ✓ Standaryzacja cech (StandardScaler)
   ✓ SMILES validation już wykonana
   ✓ Brak outlierów krytycznych
   ✓ Dataset zbalansowany (train/valid/test)

5. METRYKI SUKCESU:
   • MAE < 0.05 eV dla gap (state-of-the-art)
   • R² > 0.95 dla właściwości termodynamicznych
   • MAE < 0.1 D dla dipole moment

6. POTENCJALNE WYZWANIA:
   ⚠ Małe molekuły - ograniczona różnorodność
   ⚠ Wysokie korelacje - feature selection needed
   ⚠ Gap outliers - rozważ robust models


======================================================================
🎉 FINALNE PODSUMOWANIE ANALIZY EDA
======================================================================

✅ ANALIZA ZAKOŃCZONA!

📊 WYKONANE ANALIZY:
  • Walidacja i czyszczenie danych
  • Analiza składu chemicznego
  • Analiza strukturalna
  • Właściwości fizykochemiczne (RDKit)
  • Właściwości kwantowo-chemiczne (DFT)
  • Zaawansowane korelacje i PCA
  • Executive summary

📁 WYGENEROWANE PLIKI:
  • Przeanalizowano: 1,000 molekuł
  • Obliczono: ~55 cech
  • Utworzono: ~45 wizualizacji PNG
  • Dataset zapisany: qm9_dataset.xlsx

🎯 KLUCZOWE WNIOSKI:
  1. Dataset QM9 jest wysokiej jakości i kompletny
  2. Idealne do ML predykcji właściwości kwantowych
  3. Silne zależności struktura-właściwości
  4. Gotowy do modelowania bez dodatkowego preprocessingu

💡 NASTĘPNE KROKI:
  → Modelowanie ML (Random Forest, XGBoost, GNN)
  → Predykcja HOMO-LUMO gap
  → Transfer learning na inne datasety
  → Deployment modelu

📧 KONTAKT / PORTFOLIO:
  Ten notebook może być częścią portfolio Data Science!
  Pokazuje kompleksowe umiejętności EDA w chemoinformatyce.

======================================================================
🎉 DZIĘKUJĘ ZA UWAGĘ! ANALIZA EDA ZAKOŃCZONA SUKCESEM!
======================================================================